[发明专利]使用生成式对抗网络的图像增强

权利要求书

1.一种用于使用经训练的模型来生成增强的锥形束计算机断层扫描(CBCT)图像的计算机实现的方法，所述方法包括：

接收受试者的CBCT图像；

使用生成模型来生成与所述CBCT图像相对应的合成的计算机断层扫描(sCT)图像，所述生成模型在生成式对抗网络(GAN)中被训练，其中，所述生成模型还被训练成：处理作为输入的所述CBCT图像并提供所述sCT图像作为输出；以及

呈现所述sCT图像以用于所述受试者的医学分析。

2.根据权利要求1所述的方法，其中，

所述生成式对抗网络被配置成：使用判别模型来训练所述生成模型；

使用所述判别模型与所述生成模型之间的对抗训练来创建由所述生成模型和所述判别模型应用的值；以及

所述生成模型和所述判别模型包括相应的卷积神经网络。

3.根据权利要求2所述的方法，其中，

所述对抗训练包括：训练所述生成模型以从给定的CBCT图像生成给定的sCT图像，以及训练所述判别模型以将所述给定的sCT图像分类为合成的计算机断层扫描(CT)图像或真实的计算机断层扫描(CT)图像，以及

所述生成模型的输出被用于训练所述判别模型，并且所述判别模型的输出被用于训练所述生成模型。

4.根据权利要求1所述的方法，其中，使用包括所述生成模型和所述判别模型的循环生成式对抗网络(CycleGAN)来训练所述生成式对抗网络，其中，所述生成模型是第一生成模型，所述判别模型是第一判别模型，其中，所述CycleGAN还包括：

第二生成模型，其被训练成：处理作为输入的给定的CT图像并提供给定的合成的(sCBCT)图像作为输出；以及

第二判别模型，其被训练成：将所述给定的sCBCT图像分类为合成的CBCT图像或真实的CBCT图像。

5.根据权利要求4所述的方法，其中，所述CycleGAN包括用于训练所述第一生成模型的第一部分和第二部分，并且其中，

所述第一部分被训练成：

获得与真实CT图像配对的训练CBCT图像；

将所述训练CBCT图像发送至所述第一生成模型的输入端，以输出给定的合成的CT图像；以及

在所述第一判别模型的输入端处接收所述给定的合成的CT图像，以将所述给定的合成的CT图像分类为合成的CT图像或真实的CT图像；并且在所述第二生成模型的输入端处接收所述给定的合成的CT图像，以生成用于计算循环一致性损失的循环CBCT图像；以及

所述第二部分被训练成：

将所述真实的CT图像发送至所述第二生成模型的输入端，以输出给定的合成的CBCT图像；以及

在所述第二判别模型的输入端处接收所述给定的合成的CBCT图像，以将所述给定的合成的CBCT图像分类为合成的CBCT图像或真实的CBCT图像；并且在所述第一生成模型的输入端处接收所述给定的合成的CBCT图像，以生成用于计算循环一致性损失的循环CT图像。

6.根据权利要求5所述的方法，其中，所述第一生成模型被训练成最小化或减小第一基于像素的损失项，所述第一基于像素的损失项表示多个合成的CT图像与分别配对的真实的CT图像之间的差异的期望；并且所述第二生成模型被训练成最小化或减小第二基于像素的损失项，所述第二基于像素的损失项表示多个合成的CBCT图像与分别配对的真实的CBCT图像之间的差异的期望。

7.根据权利要求6所述的方法，其中，所述CycleGAN被训练成将度量应用于所述第一基于像素的损失项和所述第二基于像素的损失项，所述度量基于与成对的CBCT图像和真实的CT图像具有相同大小的图而生成，使得所述图中的每个像素值表示给定的CBCT图像和与所述给定的CBCT图像配对的给定的真实的CT图像之间的相似性程度。